DeepSeek-V4-Flash 正式版 API 上线公测，API 调用方式不变，模型名设置为 deepseek-v4-flash 即可使用最新版本。

注1：对于公开基准测试集中的 Code Agent 任务，正式版 DeepSeek-V4-Flash 使用 DeepSeek Harness 极简模式（即将发布）作为框架进行测试，并使用 max 档位，topp=0.95，temperature=1.0 注2：DSBench-FullStack 是内部使用的全栈开发测试集，DSBench-Hard 是内部使用的 Coding Agent 难题测试集

DeepSeek API 已支持 V4-Pro 与 V4-Flash，支持 OpenAI ChatCompletions 接口与 Anthropic 接口。访问新模型时，base_url 不变, model 参数需要改为 deepseek-v4-pro 或 deepseek-v4-flash 。

旧有的 API 接口的两个模型名 deepseek-chat 与 deepseek-reasoner 将于三个月后（2026-07-24）停止使用。当前阶段内，这两个模型名分别指向 deepseek-v4-flash 的非思考模式与思考模式。

deepseek-chat 和 deepseek-reasoner 都已升级为 DeepSeek-V3.2.

我们非正式部署了 DeepSeek-V3.2-Speciale 的 API 服务，API 用户可以通过设置 base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215" 访问该模型。该模型 API 价格不变，只支持思考模式下的对话功能，不支持工具调用等功能，最大输出长度默认为 128K，支持时间截止至北京时间 2025-12-15 23:59。

deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.2-Exp。

deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.1-Terminus。 deepseek-chat 对应 DeepSeek-V3.1-Terminus 的 非思考模式 ， deepseek-reasoner 对应 DeepSeek-V3.1-Terminus 的 思考模式 。

此次更新在保持模型原有能力的基础上，针对用户反馈的问题进行了改进，包括：

deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.1。 deepseek-chat 对应 DeepSeek-V3.1 的 非思考模式 ， deepseek-reasoner 对应 DeepSeek-V3.1 的 思考模式 。

deepseek-reasoner 模型升级为 DeepSeek-R1-0528：

deepseek-chat 模型升级为 DeepSeek-V3-0324：

deepseek-chat 模型升级为 DeepSeek-V2.5-1210，模型各项能力提升，相关基准测试：

与此同时，全新版本的模型对文件上传和网页总结功能的用户体验进行了优化。

DeepSeek V2 Chat 和 DeepSeek Coder V2 两个模型已经合并升级，升级后的新模型为 DeepSeek V2.5。

为向前兼容，API 用户通过 deepseek-coder 或 deepseek-chat 均可以访问新的模型。

新模型更好的对齐了人类的偏好，在写作任务、指令跟随等多方面进行了优化：

新模型在原Coder模型的基础上进一步提升了代码生成能力，对常见编程应用场景进行了优化，并在标准测试集上取得了以下成绩：

更新详情请跳转文档 API 上线硬盘缓存 2024/08/02：/zh-cn/news/news0802

更新详情请跳转文档 API 升级新功能 2024/07/25：/zh-cn/news/news0725

deepseek-coder 模型升级为 DeepSeek-Coder-V2-0724。

deepseek-chat 模型升级为 DeepSeek-V2-0628，模型推理能力提升，相关基准测试：

在 Arena-Hard 测评中，与 GPT-4-0314 的对战胜率从 41.6% 提升到了 68.3%。

deepseek-coder 模型升级为 DeepSeek-Coder-V2-0614，代码能力显著提升，在代码生成、代码理解、代码修复和代码补全上达到了 GPT-4-Turbo-0409 的水平，并拥有卓越的数学和推理能力，其通用能力与 DeepSeek-V2-0517 持平。

deepseek-chat 模型升级为 DeepSeek-V2-0517，模型在指令跟随方面的性能得到了显著提升，IFEval Benchmark Prompt-Level 准确率从 63.9% 跃升至 77.6%。此外，我们对API端的“system”区域指令跟随能力进行了优化，显著增强了沉浸式翻译、RAG 等任务的用户体验。

模型对于 JSON 格式输出的准确性得到了提升。在内部测试集中，JSON 解析率从 78% 提高到了85%。通过引入恰当的正则表达式，JSON 解析率进一步提高至 97%。

WeChat QRcode